控制理论与应用

作者：廖亚楠,王业林,李萌,肖清泰,王华

单位：昆明理工大学省部共建复杂有色金属资源清洁利用国家重点实验室,昆明理工大学省部共建复杂有色金属资源清洁利用国家重点实验室,中佛罗里达大学电气与计算机工程系,昆明理工大学省部共建复杂有色金属资源清洁利用国家重点实验室,昆明理工大学省部共建复杂有色金属资源清洁利用国家重点实验室

关键词：机器学习; 相关向量机; CEEMDAN; 误差修正; 铁水温度; 预测

基金：云南省教育厅科学研究基金项目(2021J0063), 云南省科技厅科技计划项目(202101AU070031), 云南省基础研究计划项目(202101BG070127)资助.

针对高炉炼铁还原过程中非线性和大时滞等特点造成温度监测难度大的困境, 提出一种融合数据分解、机器学习和误差修正的高炉铁水温度组合预测新模型. 首先, 引入带自适应白噪声的完备集合经验模态分解方法对铁水温度序列进行分解处理, 通过提取不同频率的规律特征, 使复杂的非线性序列转化为规律性较强的子序列; 随后, 采用相关向量机对子序列进行学习, 充分挖掘铁水温度序列的信息, 获得精度较高的预测结果; 最后, 将对铁水温度影响较大的硅含量和富氧率等相关因素作为辅助参数, 使用经主成分分析处理后的辅助参数序列对预测结果进行修正, 提高模型的预测准确性. 结果表明: 相较于整合移动平均自回归模型等传统模型, 所提出的新模型综合性能更优, 即平均绝对误差百分比减小53.57%, 铁水温度为±10 ?C范围内的预测命中率提高25%. 所提出的模型为实现高炉温度实时精细化调控提供了理论支撑, 对保证炉况稳定、提升产品质量和降低冶炼能耗具有重大实际意义.

来源：2022年第11期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2022年第11期